En esta propuesta visualizamos una vía rigurosa y práctica para (1) crear y actualizar perfiles profesionales, (2) identificar atributos y competencias mediante un juego serio basado en cartas —Future Deck—, y (3) usar la analítica decisional para evidenciar competencias digitales y de IA sin depender de autopercepciones. La propuesta está dirigida a docentes, investigadores/as en educación, actores del ecosistema Fintech y directivos/as de tecnología. Este trabajo forma parte de una iniciativa colaborativa entre el Tecnológico de Monterrey (México) y Fundación Chile para desarrollar el primer libro blanco sobre perfiles profesionales en el ecosistema Fintech latinoamericano.
1. ¿Por qué perfilar de nuevo?
Los catálogos de perfiles envejecen rápido. La investigación reciente sobre obsolescencia de habilidades demuestra que la vida útil de las competencias técnicas ha caído dramáticamente de 30 años en 1987 a aproximadamente 2 años en la actualidad, mientras que las habilidades interpersonales muestran una depreciación considerablemente más lenta (Schultheiss & Backes-Gellner, 2023). En el contexto específico de fintech, cambian las funciones, surgen tareas emergentes —por ejemplo, orquestación de IA, evaluación de sesgos, cumplimiento algorítmico— y se reconfiguran las interfaces de trabajo humano–IA (Bahoo et al., 2025). Un marco de perfiles útil hoy necesita:
Evidencias observables (decisiones, justificaciones, trade‑offs), no solo descripciones aspiracionales. La literatura sobre modelado de competencias enfatiza que los modelos efectivos deben vincular competencias a comportamientos observables y mensurables, utilizando múltiples métodos de recolección de datos para mejorar la validez (Campion et al., 2011).
Iteración continua: cada ciclo de juego/recopilación alimenta ajustes de rol. Teece (2007) define las capacidades dinámicas como “la capacidad de la empresa de integrar, construir y reconfigurar competencias internas y externas para abordar entornos que cambian rápidamente”, un concepto directamente aplicable a contextos fintech donde la incertidumbre tecnológica y los ciclos de innovación rápidos requieren renovación continua de competencias.
Transferencia: del aula o laboratorio a unidades reales de negocio. La transformación digital en servicios financieros demanda que las organizaciones desarrollen capacidades digitales amplias para adaptarse a procesos disruptivos y promover una cultura de innovación tecnológica (Thottoli et al., 2024).
2. Del perfil a los atributos (y vuelta)
En lugar de partir por “títulos de puesto”, proponemos partir por atributos: rasgos operativos que se manifiestan en decisiones bajo restricciones. Este enfoque es consistente con marcos contemporáneos de agilidad laboral que enfatizan dimensiones como toma de decisiones, iteración, centralidad del usuario y aprendizaje continuo (Petermann & Zacher, 2022). Ejemplos de atributos identificados en nuestro estudio:
Razonamiento regulatorio-inclusivo: pondera cumplimiento, riesgo y experiencia usuaria sin excluir audiencias vulnerables. La investigación sobre ética y privacidad en fintech demuestra que los profesionales deben balancear innovación con obligaciones de protección de datos, enfatizando enfoques privacy-by-design (Aldboush & Ferdous, 2023).
Aseguramiento de IA: identifica sesgos, deriva de riesgo y criterios de explicabilidad alineados al dominio financiero. Los estudios recientes sobre integración de IA en servicios financieros enfatizan la necesidad crítica de IA explicable (XAI) y marcos robustos de gobernanza para garantizar transparencia, equidad y accountability en sistemas impulsados por IA (Bahoo et al., 2025).
Alfabetización digital/IA aplicada: traduce conceptos técnicos a prácticas de aprendizaje organizacional. Los marcos contemporáneos de AI literacy proponen cuatro aspectos fundacionales: conocer y comprender IA, usar y aplicar IA, evaluar y crear con IA, y abordar cuestiones éticas en IA (Ng et al., 2021).
Luego, los atributos se recombinan en perfiles dinámicos (p. ej., Regulatory/Inclusive UX Lead, AI Assurance & Ethics Officer, Digital Education & Fintech Literacy Advisor). Esta recombinación es empírica: depende de lo que la gente hace y decide en contextos simulados.
3. Future Deck: el juego serio como laboratorio de decisiones
Future Deck es un juego serio de cartas que provoca escenarios realistas (pagos, remesas, onboarding KYC, prevención de fraude, open banking, educación al cliente, etc.). La literatura científica sobre juegos serios demuestra que pueden proporcionar soluciones viables a las limitaciones de las evaluaciones de desempeño tradicionales, ofreciendo entornos de tareas auténticas que provocan comportamientos relacionados con niveles de habilidad de candidatos (Burr et al., 2024).
Cada ronda pide a las personas jugadoras:
1. Seleccionar cartas de Contexto (mercado/usuarios), Restricciones (regulatorias, técnicas, éticas), Opciones (técnicas/metodológicas) y Evidencias (datos/experimentos).
2. Diseñar una respuesta táctica/estratégica con límite de tiempo y presupuesto.
3. Justificar la elección (criterios y trade‑offs) y evaluar riesgos.
4. Reflexionar: qué repetirían, qué cambiarían, qué aprendieron.
El foco no es “ganar el juego”, sino hacer visibles patrones de decisión que revelan atributos y competencias. Este enfoque se fundamenta en investigación que demuestra que las evaluaciones gamificadas pueden obtener confiabilidad y validez similares a medidas tradicionales mientras producen puntuaciones significativamente más altas de atractivo organizacional (Ramos-Villagrasa et al., 2024).
¿Qué captura el juego?
– Toma de decisiones (selección y descarte)
– Razonamiento (argumentos en cadena, criterios, nociones de causalidad)
– Evidencias (datos invocados o diseñados)
– Colaboración humano–IA (delegación, supervisión, verificación)
– Ética y cumplimiento (detección de riesgos, mitigaciones)
El juego emplea técnicas de minería de procesos para analizar comportamiento del jugador y secuencias de decisión, un enfoque validado en contextos de evaluación de competencias blandas críticas como resolución de problemas, trabajo en equipo y toma de decisiones (Altomari et al., 2023).
4. De la decisión a la competencia: la cadena completa
Proponemos una cadena trazable que conecte lo observable con la competencia, siguiendo las mejores prácticas en modelado de competencias que enfatizan la necesidad de vincular competencias a objetivos organizacionales y usar múltiples métodos de recolección de datos (Campion et al., 2011):
Situación → Decisión → Evidencia → Atributo → Competencia → Perfil
– Situación: escena de negocio con restricción explícita (p. ej., lanzar wallet en país X cumpliendo PEPs y límites de fraude).
– Decisión: opciones priorizadas y descartadas, con criterios.
– Evidencia: pruebas/experimentos/datos invocados o diseñados.
– Atributo: rasgo inferido (p. ej., pensamiento experimental).
– Competencia: capacidad estabilizada en el tiempo (p. ej., evaluación y mejora de modelos).
– Perfil: conjunto de competencias que habilita funciones concretas.
La lógica evita atajos subjetivos: primero evidencia, luego inferencia. Este enfoque es consistente con la distinción establecida por Bellotti et al. (2013) entre assessment OF games (evaluar calidad e impacto) y assessment IN games (medir desempeño y progreso del jugador), priorizando la evaluación formativa embebida en tiempo real.
5. Competencias digitales y de IA: mapa mínimo viable
Para describir lo observado en términos accionables, usamos un mapa mínimo viable de competencias digitales/IA en 6 ejes, fundamentado en marcos validados como DigComp 2.2 (Vuorikari et al., 2022) y el AI Competency Framework de UNESCO (Miao & Cukurova, 2024):
1. Comprensión funcional de IA: qué hace/qué no, límites y condiciones de uso.
2. Uso productivo de herramientas: orquestación de flujos humano–IA.
3. Pensamiento complejo y evaluación: cuestiona entradas, salidas y fuentes.
4. Comunicación y colaboración humano–IA: prompts, verificaciones, hand‑offs.
5. Ética, seguridad y responsabilidad: sesgos, privacidad, compliance, bienestar.
6. Creatividad y bienestar con IA: diseño de soluciones útiles y sostenibles.
Cada eje se evidencia con indicadores conductuales anclados en decisiones del juego (no en auto‑reportes). La investigación sobre competencia digital profesional define este constructo como “el conjunto de conocimientos, habilidades y actitudes que permiten el uso efectivo y responsable de tecnologías digitales para realizar tareas y resolver problemas en entornos laborales cada vez más digitalizados” (Sánchez-Canut et al., 2023, p. 3).
6. Métrica práctica: rúbrica decisional y niveles de progresión
En lugar de “correcto/incorrecto”, aplicamos una rúbrica decisional que pondera:
– Pertinencia (ajuste problema–solución–contexto)
– Solidez (uso/plan de evidencias)
– Ética/compliance (riesgos y mitigación)
– Transferencia (cómo escalar, medir y mejorar)
– Colaboración humano–IA (rol de la IA y supervisión)
– Narrativa ejecutiva (claridad para stakeholders no técnicos)
Los niveles de progresión evitan “escalones obvios”. En contextos complejos, una respuesta puede mostrar mezcla de niveles; la rúbrica lo permite y documenta trayectorias. Este enfoque multi-dimensional es consistente con investigaciones que demuestran que la agilidad laboral se relaciona positivamente con desempeño de tareas, desempeño innovador, comportamiento de ciudadanía organizacional, satisfacción laboral y bienestar (Petermann & Zacher, 2022).
7. Pipeline de implementación (6–8 semanas)
El diseño metodológico sigue un enfoque riguroso de métodos mixtos validado en la literatura sobre identificación de competencias, donde el 51% de estudios emplean estrategias multi-método combinando encuestas, entrevistas y técnicas de consenso (Kakemam & Liang, 2023):
Semana 1. Definición de dominios, restricciones y outcomes de negocio.
Semana 2. Diseño/ajuste de cartas (Contexto, Restricciones, Opciones, Evidencias) y de la rúbrica.
Semana 3. Piloto cerrado: calibración de escenas y tiempos; prueba de captura de datos.
Semana 4. Taller 1 (cohorte A): ejecución y captura; debrief con retroalimentación.
Semana 5. Análisis: extracción de atributos, mapas de calor de decisiones, nubes de trade‑offs.
Semana 6. Taller 2 (cohorte B) con ajustes; comparación A/B.
Semana 7–8. Informe ejecutivo: perfiles ajustados, brechas por rol, plan de formación/aprendizaje en el puesto, backlog de mejoras del juego.
Este proceso iterativo de tres fases (revisión sistemática de evidencia, consenso de expertos y validación de stakeholders) ha demostrado alcanzar tasas de consenso del 95% entre profesionales en estudios de desarrollo de marcos de competencias mediante métodos mixtos (Bhattacharjya et al., 2024).
8. Qué obtiene cada actor
Docentes/Programas: actividades evaluables centradas en desempeño real, evidencias reutilizables para portafolios y acreditación. Los juegos serios validados han demostrado mejoras estadísticamente significativas en competencias blandas incluyendo resolución creativa de problemas, comunicación efectiva, gestión del estrés y trabajo en equipo (López-Serrano et al., 2025).
Doctorado/Investigación: corpus trazable de decisiones; base para estudios de validez/fiabilidad; análisis de progresión.
Fintech/CEOs: lectura accionable de brechas por equipo/rol; priorización de upskilling y job crafting; insumos para reclutamiento. La investigación empírica demuestra que las competencias de recursos humanos específicas (crear, adaptarse al cambio, decidir iniciar acción, interpretar análisis) influyen significativamente en la adopción fintech exitosa (Al-Hakim et al., 2023).
Participantes: feedback formativo con ejemplos anclados en sus propias decisiones.
9. Perfiles dinámicos (ejemplos)
El ecosistema fintech contemporáneo requiere perfiles profesionales que integren competencias técnicas, regulatorias y éticas de manera híbrida. Un estudio de mapeo sistemático de 518 artículos fintech identifica cinco dimensiones críticas del ecosistema: industria fintech, negocios fintech, plataformas/sistemas/apps, servicios/herramientas y tecnología, evidenciando la naturaleza multidisciplinaria que requiere competencias híbridas (Liu et al., 2024). Los perfiles emergentes identificados en nuestro estudio incluyen:
Regulatory/Inclusive UX Lead
Integra cumplimiento, accesibilidad y negocio en journeys regulados. Indicadores: trade‑offs explícitos, segmentación inclusiva, definición de guardrails. Este perfil aborda la necesidad crítica de balancear innovación con obligaciones de protección de datos mediante enfoques privacy-by-design (Aldboush & Ferdous, 2023).
AI Assurance & Ethics Officer
Diseña/verifica criterios de calidad y riesgo de modelos; propone planes de model governance. Indicadores: detección de sesgos, drift y explainability contextual. La integración de IA en servicios financieros requiere profesionales capaces de garantizar transparencia, equidad y accountability mediante marcos robustos de IA explicable (Bahoo et al., 2025).
Digital Education & Fintech Literacy Advisor
Moviliza alfabetización digital/IA en clientes y equipos; transforma incidentes en aprendizajes. Indicadores: claridad narrativa, diseño de evidencias de comprensión, transferencia a procesos. Este perfil responde a la necesidad de competencias que combinan alfabetización blockchain, analítica de datos, conciencia de ciberseguridad y ética algorítmica en programas de capacitación fintech (Liu et al., 2024).
Nota: estos perfiles se versionan con cada ciclo de juego. El objetivo no es fijarlos, sino aprender con el trabajo. La investigación sobre capacidades dinámicas enfatiza que las organizaciones exitosas continuamente detectan oportunidades emergentes, las capturan mediante movilización de recursos, y transforman capacidades existentes (Teece, 2007).
10. Calidad, sesgos y ética
Triangulación: decisiones + justificaciones + productos (artefactos) por ronda. El enfoque multi-método mejora tanto la validez como la utilidad práctica de los modelos de competencias (Schippmann et al., 2000).
Anonimización y mínimos de datos: solo lo necesario para aprendizaje y mejora.
Sesgos: revisión de cartas/escenas por diversidad de experticia y contexto; control de anchoring y framing; análisis diferencial por cohorte.
Transparencia: acceso de participantes a sus evidencias y criterios de feedback.
La investigación sobre assessment en y de juegos serios establece que la evaluación embebida y en tiempo real debe priorizar propósitos formativos (para aprendizaje) por sobre sumativos (para certificación), especialmente en contextos de desarrollo profesional continuo (Bellotti et al., 2013).
11. Indicadores para dirección
– Cobertura de atributos por rol/equipo
– Brechas críticas (p. ej., ética/compliance vs. delivery técnico)
– Tendencias emergentes: atributos que suben/bajan por vertical
– Retorno de aprendizaje: mejoras en tiempo de ciclo, defectos, NPS interno, incidentes operativos
La transformación digital en servicios financieros requiere que las organizaciones desarrollen indicadores de desempeño que capturen tanto eficiencia operacional como inclusión financiera, alineando objetivos de negocio con desarrollo sostenible (Mavlutova & Volkova, 2023).
12. Mini‑caso ilustrativo
En un sprint de onboarding digital, un equipo prioriza reducción de fricción y delega a IA la verificación documental. En juego detectan: riesgo de exclusión de adultos mayores y falsos positivos por baja iluminación. La solución iterada incluye: (1) ruta asistida humana para casos límite, (2) prueba A/B con guardrails y (3) educación al cliente.
Los atributos evidenciados (pensamiento experimental, ética aplicada, colaboración humano–IA) reconfiguran el perfil requerido y el plan de capacitación. Este caso ilustra cómo los profesionales fintech deben balancear innovación con inclusión financiera, una competencia crítica identificada en estudios sobre transformación digital sostenible en el sector financiero (Mavlutova & Volkova, 2023).
13. Contexto y alcance del estudio
Este trabajo forma parte de una iniciativa pionera para desarrollar el primer libro blanco sobre perfiles profesionales en el ecosistema Fintech latinoamericano, liderada por el Tecnológico de Monterrey (México) y Fundación Chile. La metodología propuesta combina:
– Entrevistas en profundidad con actores clave del ecosistema fintech
– Taller tradicional de identificación de competencias
– Taller gamificado con el juego de cartas Future Deck
– Videojuego serio para análisis de toma de decisiones
Esta combinación metodológica responde a la evidencia de que los enfoques multi-método son más efectivos para capturar la complejidad de competencias profesionales en sectores intensivos en tecnología (Kakemam & Liang, 2023). El proyecto reconoce que la educación fintech en mercados emergentes latinoamericanos enfrenta desafíos específicos de acceso a financiamiento y alfabetización digital que deben abordarse mediante programas de capacitación contextualizados a necesidades regionales (Liu et al., 2024).
Reflexiones
Future Deck convierte la evaluación de competencias en una práctica situada y acumulativa. Las organizaciones no solo obtienen un catálogo mejor definido, sino un mecanismo continuo para alinear decisiones, evidencias y aprendizaje con sus desafíos reales. En tiempos de cambio acelerado, el mejor perfil no es un título: es un patrón de decisiones evidenciables que la organización sabe reconocer, desarrollar y cuidar.
La convergencia de capacidades dinámicas organizacionales (Teece, 2007) con agilidad individual de la fuerza laboral (Petermann & Zacher, 2022) define el futuro del trabajo en fintech. Los profesionales exitosos serán aquellos que demuestren competencias adaptativas mediante actualización continua de habilidades, flexibilidad ante cambios tecnológicos y regulatorios, y orientación hacia necesidades emergentes de clientes en ecosistemas financieros digitales cada vez más complejos.
Referencias
Al-Hakim, L., Razimi, M. S. A., & Latiff, A. S. A. (2023). FinTech adoption, HR competency potential, service innovation and firm growth in banking sector. Heliyon, 9(3), Article e13980. https://doi.org/10.1016/j.heliyon.2023.e13980
Aldboush, H. H., & Ferdous, M. S. (2023). Building trust in fintech: An analysis of ethical and privacy considerations in the intersection of big data, AI, and customer trust. International Journal of Information Management Data Insights, 3(2), Article 100178. https://doi.org/10.1016/j.jjimei.2023.100178
Altomari, L., Altomari, N., & Iazzolino, G. (2023). Gamification and soft skills assessment in the development of a serious game: Design and feasibility pilot study. JMIR Serious Games, 11, Article e45436. https://doi.org/10.2196/45436
Bahoo, S., Cucculelli, M., Goga, X., & Mondolo, J. (2025). AI integration in financial services: A systematic review of trends and regulatory challenges. Humanities and Social Sciences Communications, 12, Article 98. https://doi.org/10.1057/s41599-025-04850-8
Bellotti, F., Kapralos, B., Lee, K., Moreno-Ger, P., & Berta, R. (2013). Assessment in and of serious games: An overview. Advances in Human-Computer Interaction, 2013, Article 136864. https://doi.org/10.1155/2013/136864
Bhattacharjya, S., Curtis, S., Kueakomoldej, S., von Zweck, C., Russo, G., Mani, K., Kamalakannan, S., Ledgerd, R., Jesus, T. S., & World Federation of Occupational Therapists. (2024).
Development and validation of the WHO Rehabilitation Competency Framework: A mixed methods study. Human Resources for Health, 22(1), 62. https://doi.org/10.1186/s12960-024-00948-3
Burr, L., van der Kleij, F., & Raes, A. (2024). Serious games in high-stakes assessment contexts: A systematic literature review into the game design principles for valid game-based performance assessment. Educational Technology Research and Development, 72(6), 3271-3304. https://doi.org/10.1007/s11423-024-10362-0
Campion, M. A., Fink, A. A., Ruggeberg, B. J., Carr, L., Phillips, G. M., & Odman, R. B. (2011). Doing competencies well: Best practices in competency modeling. Personnel Psychology, 64(1), 225-262. https://doi.org/10.1111/j.1744-6570.2010.01207.x
Kakemam, E., & Liang, Z. (2023). Guidance for management competency identification and development in the health context: A systematic scoping review. BMC Health Services Research, 23(1), 421. https://doi.org/10.1186/s12913-023-09404-9
Liu, Q., Chan, K. C., & Chimhundu, R. (2024). Fintech research: Systematic mapping, classification, and future directions. Financial Innovation, 10(1), Article 24. https://doi.org/10.1186/s40854-023-00524-z
López-Serrano, A., McGowan, N., Moreno-Ger, P., Pérez-Torio, I., & Freire-Morán, M. (2025). Teaching soft skills in higher education through serious games: Validation of the Compete! gamification. Smart Learning Environments, 12(1), Article 49. https://doi.org/10.1186/s40561-025-00401-5
Mavlutova, I., & Volkova, T. (2023). Digital transformation as a driver of the financial sector sustainable development: An impact on financial inclusion and operational efficiency. Sustainability, 15(1), Article 207. https://doi.org/10.3390/su15010207
Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
Petermann, M. K. H., & Zacher, H. (2022). Workforce agility: Development and validation of a multidimensional measure. Frontiers in Psychology, 13, Article 841862. https://doi.org/10.3389/fpsyg.2022.841862
Ramos-Villagrasa, P. J., Fernández-del-Río, E., & Hermoso, R. (2024). Are serious games an alternative to traditional personality questionnaires? Initial analysis of a gamified assessment. PLoS ONE, 19(5), Article e0302429. https://doi.org/10.1371/journal.pone.0302429
Sánchez-Canut, M. T., Palacios-Navarro, G., & Gascón-Pérez, J. (2023). Professional digital competence: Definition, frameworks, measurement, and gender differences: A systematic literature review. Human Behavior and Emerging Technologies, 2023, 8897227. https://doi.org/10.1155/2023/8897227
Schippmann, J. S., Ash, R. A., Battista, M., Carr, L., Eyde, L. D., Hesketh, B., Kehoe, J., Pearlman, K., Prien, E. P., & Sanchez, J. I. (2000). The practice of competency modeling. Personnel Psychology, 53(3), 703-740. https://doi.org/10.1111/j.1744-6570.2000.tb00220.x
Schultheiss, T., & Backes-Gellner, U. (2023). Different degrees of skill obsolescence across hard and soft skills and the role of lifelong learning for labor market outcomes. Industrial Relations: A Journal of Economy and Society, 62(3), 257-287. https://doi.org/10.1111/irel.12325
Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319-1350. https://doi.org/10.1002/smj.640
Thottoli, M. M., Islam, M. A., Yusof, M. F. bin, Hassan, M. S., & Hassan, M. A. (2024). Embracing digital transformation in financial services: From past to future. SAGE Open, 13(4), 1-18. https://doi.org/10.1177/21582440231214590
Vuorikari, R., Kluzer, S., & Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for Citizens – With new examples of knowledge, skills and attitudes (EUR 31006 EN). Publications Office of the European Union. https://doi.org/10.2760/115376